GitHubでページを編集 (EN)

YOLO26展開オプションの比較分析

はじめに

YOLO26を活用した旅路は、長く充実したものだったことでしょう。あなたは熱心にデータを収集し、細心の注意を払ってアノテーションを行い、時間をかけてカスタムYOLO26モデルのトレーニングと厳密な評価を行ってきました。いよいよ、そのモデルを特定のアプリケーションやユースケース、あるいはプロジェクトで活用する時が来ました。しかし、ここで重要な決断が待ち受けています。それは、いかにしてモデルを効果的にエクスポートし、デプロイするかという点です。



Watch: How to Choose the Best Ultralytics YOLO26 Deployment Format for Your Project | TensorRT | OpenVINO 🚀

本ガイドでは、YOLO26のデプロイオプションと、プロジェクトに適したオプションを選択する上で考慮すべき重要な要素について解説します。

YOLO26モデルに適したデプロイオプションの選択方法

YOLO26モデルをデプロイする際、適切なエクスポート形式を選択することは非常に重要です。Ultralytics YOLO26モードドキュメントで概説されているように、model.export()関数を使用すると、多様な環境やパフォーマンス要件に合わせて、トレーニング済みモデルをさまざまな形式に変換できます。

理想的な形式は、モデルの運用コンテキストに応じて、速度、ハードウェア制約、統合の容易さのバランスを考慮して決定されます。手動エクスポートを行わない管理型デプロイメントについては、Ultralytics Platformが、世界43の地域で自動スケーリングを行う推論エンドポイントを提供しています。以下のセクションでは、各エクスポートオプションを詳しく見ていき、それぞれの選択基準について解説します。

YOLO26のデプロイオプション

それでは、YOLO26の各デプロイオプションについて見ていきましょう。エクスポートプロセスの詳細な手順については、Ultralyticsのエクスポートに関するドキュメントページをご覧ください。

PyTorch

PyTorchは、ディープラーニングや人工知能のアプリケーションで広く使用されているオープンソースの機械学習ライブラリです。高い柔軟性と速度を提供するため、研究者や開発者に愛用されています。

  • パフォーマンスベンチマーク: PyTorchはその使いやすさと柔軟性で知られていますが、より専門化され最適化された他のフレームワークと比較すると、純粋なパフォーマンスにおいてわずかなトレードオフが生じる場合があります。
  • 互換性と統合: Pythonのさまざまなデータサイエンスおよび機械学習ライブラリとの優れた互換性を提供します。
  • コミュニティサポートとエコシステム: 最も活発なコミュニティの一つであり、学習やトラブルシューティングのためのリソースが充実しています。
  • ケーススタディ: 研究プロトタイプで一般的に使用されており、多くの学術論文がPyTorchでデプロイされたモデルを参照しています。
  • メンテナンスとアップデート: アクティブな開発が行われており、新機能のサポートを含む定期的なアップデートが提供されています。
  • セキュリティの考慮事項: セキュリティ問題に対する定期的なパッチが提供されていますが、セキュリティは主にデプロイされる環境全体に依存します。
  • ハードウェアアクセラレーション: GPUアクセラレーションのためのCUDAをサポートしており、モデルのトレーニングと推論を高速化するために不可欠です。

TorchScript

TorchScriptは、モデルをエクスポートしてC++ランタイム環境で実行できるようにすることで、PyTorchの機能を拡張します。これにより、Pythonが利用できない本番環境に適したものとなります。

  • パフォーマンスベンチマーク: ネイティブなPyTorchよりもパフォーマンスが向上する場合があり、特に本番環境で有効です。
  • 互換性と統合: PyTorchからC++本番環境へのシームレスな移行を目的に設計されていますが、一部の高度な機能は完全には変換できない場合があります。
  • コミュニティサポートとエコシステム: PyTorchの大きなコミュニティの恩恵を受けていますが、専門の開発者の範囲はより限定的です。
  • ケーススタディ: Pythonのパフォーマンスオーバーヘッドがボトルネックとなる業界環境で広く使用されています。
  • メンテナンスとアップデート: PyTorchと並行して保守されており、一貫したアップデートが行われています。
  • セキュリティの考慮事項: Pythonの完全なインストール環境が不要となるため、モデルを実行する上でセキュリティの向上が期待できます。
  • ハードウェアアクセラレーション: PyTorchのCUDAサポートを引き継いでおり、効率的なGPU利用を保証します。

ONNX

Open Neural Network Exchange (ONNX)は、異なるフレームワーク間でのモデルの相互運用性を実現する形式であり、多様なプラットフォームへのデプロイにおいて極めて重要です。

  • パフォーマンスベンチマーク: ONNXモデルは、デプロイされる特定のランタイムに応じてパフォーマンスが変動する場合があります。
  • 互換性と統合: フレームワークに依存しない特性により、複数のプラットフォームやハードウェア間で高い相互運用性を誇ります。
  • コミュニティサポートとエコシステム: 多くの組織によってサポートされており、広範なエコシステムと最適化のための多様なツールが揃っています。
  • ケーススタディ: さまざまな機械学習フレームワーク間でモデルを移行するために頻繁に使用され、その柔軟性が実証されています。
  • メンテナンスとアップデート: オープンスタンダードとして、ONNXは新しいオペレーションやモデルをサポートするために定期的に更新されています。
  • セキュリティの考慮事項: クロスプラットフォームツール全般に言えることですが、変換およびデプロイパイプラインにおいて安全な慣行を確実に遵守することが不可欠です。
  • ハードウェアアクセラレーション: ONNX Runtimeを使用することで、モデルはさまざまなハードウェア最適化を活用できます。

OpenVINO

OpenVINOは、Intelハードウェア上でのディープラーニングモデルのデプロイを容易にし、パフォーマンスと速度を向上させるために設計されたIntelのツールキットです。

  • パフォーマンスベンチマーク: Intel CPU、GPU、VPU向けに特化して最適化されており、互換性のあるハードウェア上で大幅なパフォーマンス向上を実現します。
  • 互換性と統合: Intelエコシステム内で最も効果を発揮しますが、他の幅広いプラットフォームもサポートしています。
  • コミュニティサポートとエコシステム: Intelが後押ししており、特にコンピュータービジョン領域で確固たるユーザーベースがあります。
  • ケーススタディ: Intelハードウェアが普及しているIoTおよびエッジコンピューティングのシナリオで頻繁に利用されています。
  • メンテナンスとアップデート: Intelは最新のディープラーニングモデルやIntelハードウェアをサポートするために、定期的にOpenVINOを更新しています。
  • セキュリティの考慮事項: 機密性の高いアプリケーションへのデプロイに適した、堅牢なセキュリティ機能を提供します。
  • ハードウェアアクセラレーション: Intelハードウェア上でのアクセラレーション用に調整されており、専用の命令セットやハードウェア機能を活用します。

OpenVINOを使用したデプロイの詳細については、Ultralyticsの統合ドキュメントIntel OpenVINO Exportを参照してください。

TensorRT

TensorRTは、NVIDIAが提供する高性能ディープラーニング推論オプティマイザ兼ランタイムであり、速度と効率が求められるアプリケーションに最適です。

  • パフォーマンスベンチマーク: NVIDIA GPU上でトップレベルのパフォーマンスを発揮し、高速推論をサポートします。
  • 互換性と統合: NVIDIAハードウェアに最適化されており、この環境外でのサポートは限定的です。
  • コミュニティサポートとエコシステム: NVIDIAの開発者フォーラムやドキュメントを通じて、強力なサポートネットワークがあります。
  • ケーススタディ: ビデオや画像データのリアルタイム推論を必要とする業界で広く採用されています。
  • メンテナンスとアップデート: NVIDIAはTensorRTを保守しており、パフォーマンスの向上と新しいGPUアーキテクチャのサポートのために頻繁にアップデートを行っています。
  • セキュリティの考慮事項: 多くのNVIDIA製品と同様にセキュリティを重視していますが、詳細はデプロイ環境に依存します。
  • ハードウェアアクセラレーション: NVIDIA GPU専用に設計されており、詳細な最適化とアクセラレーションを提供します。

TensorRTデプロイの詳細については、TensorRT統合ガイドをご確認ください。

CoreML

CoreMLはAppleの機械学習フレームワークであり、iOS、macOS、watchOS、tvOSを含むAppleエコシステムにおいて、オンデバイスでのパフォーマンスを最適化します。

  • パフォーマンスベンチマーク: Appleハードウェア上でのオンデバイスパフォーマンスが最適化されており、バッテリー消費を最小限に抑えます。
  • 互換性と統合: Appleのエコシステム専用であり、iOSおよびmacOSアプリケーション向けの効率的なワークフローを提供します。
  • コミュニティサポートとエコシステム: Appleからの強力なサポートと献身的な開発者コミュニティがあり、広範なドキュメントとツールが提供されています。
  • ケーススタディ: Apple製品上でオンデバイス機械学習機能を必要とするアプリケーションで一般的に使用されています。
  • メンテナンスとアップデート: 最新の機械学習の進歩とAppleハードウェアをサポートするため、Appleによって定期的に更新されています。
  • セキュリティの考慮事項: ユーザーのプライバシーとデータセキュリティに対するAppleの重視の恩恵を受けています。
  • ハードウェアアクセラレーション: AppleのニューラルエンジンとGPUを最大限に活用し、機械学習タスクを高速化します。

TF SavedModel

TF SavedModelは、機械学習モデルを保存・提供するためのTensorFlowの形式であり、特にスケーラブルなサーバー環境に適しています。

  • パフォーマンスベンチマーク: 特にTensorFlow Servingと組み合わせた場合に、サーバー環境でスケーラブルなパフォーマンスを提供します。
  • 互換性と統合: クラウドやエンタープライズサーバーのデプロイを含む、TensorFlowエコシステム全体での幅広い互換性があります。
  • コミュニティサポートとエコシステム: TensorFlowの人気により大規模なコミュニティのサポートがあり、デプロイや最適化のためのツールが非常に充実しています。
  • ケーススタディ: 本番環境でディープラーニングモデルを大規模に配信するために広く使用されています。
  • メンテナンスとアップデート: GoogleとTensorFlowコミュニティによってサポートされており、定期的な更新と新機能の追加が保証されています。
  • セキュリティの考慮事項: TensorFlow Servingを使用したデプロイメントには、エンタープライズグレードのアプリケーション向けの堅牢なセキュリティ機能が含まれています。
  • ハードウェアアクセラレーション: TensorFlowのバックエンドを通じて、さまざまなハードウェアアクセラレーションをサポートしています。

TF GraphDef

TF GraphDefは、モデルをグラフとして表現するTensorFlow形式であり、静的な計算グラフが必要な環境で有効です。

  • パフォーマンスベンチマーク: 一貫性と信頼性に重点を置いており、静的な計算グラフに対して安定したパフォーマンスを提供します。
  • 互換性と統合: TensorFlowのインフラストラクチャ内で簡単に統合できますが、SavedModelと比較すると柔軟性は低くなります。
  • コミュニティサポートとエコシステム: TensorFlowエコシステムからの十分なサポートがあり、静的グラフの最適化のためのリソースも豊富です。
  • ケーススタディ: 特定の組み込みシステムなど、静的グラフが必要なシナリオで有用です。
  • メンテナンスとアップデート: TensorFlowのコアアップデートと並行して定期的に更新されています。
  • セキュリティの考慮事項: 確立されたTensorFlowのセキュリティ慣行により、安全なデプロイが保証されます。
  • ハードウェアアクセラレーション: SavedModelほど柔軟ではありませんが、TensorFlowのハードウェアアクセラレーションオプションを利用可能です。

TF GraphDefの詳細については、TF GraphDef統合ガイドをご覧ください。

TF Lite

TF Liteは、モバイルおよび組み込みデバイス向けのTensorFlowの機械学習ソリューションであり、オンデバイス推論のための軽量ライブラリを提供します。

  • パフォーマンスベンチマーク: モバイルや組み込みデバイスにおける速度と効率を重視して設計されています。
  • 互換性と統合: 軽量であるため、幅広いデバイスで使用可能です。
  • コミュニティサポートとエコシステム: Googleによるバックアップがあり、強固なコミュニティと開発者向けリソースが拡大しています。
  • ケーススタディ: フットプリントを最小限に抑えつつオンデバイス推論を行うモバイルアプリケーションで人気があります。
  • メンテナンスとアップデート: モバイルデバイス向けの最新機能や最適化を含めるため、定期的に更新されています。
  • セキュリティの考慮事項: エンドユーザーのデバイス上でモデルを実行するための安全な環境を提供します。
  • ハードウェアアクセラレーション: GPUやDSPを含む、さまざまなハードウェアアクセラレーションオプションをサポートしています。

TF Edge TPU

TF Edge TPUは、GoogleのEdge TPUハードウェア上で高速かつ効率的なコンピューティングを行うために設計されており、リアルタイム処理を必要とするIoTデバイスに最適です。

  • パフォーマンスベンチマーク: GoogleのEdge TPUハードウェア上での高速かつ効率的なコンピューティング向けに特化して最適化されています。
  • 互換性と統合: Edge TPUデバイス上のTensorFlow Liteモデルでのみ動作します。
  • コミュニティサポートとエコシステム: Googleやサードパーティ開発者によって提供されるリソースにより、サポートが拡大しています。
  • ケーススタディ: 低遅延でリアルタイム処理を必要とするIoTデバイスやアプリケーションで使用されています。
  • メンテナンスとアップデート: 新しいEdge TPUハードウェアのリリース機能活用に向けて継続的に改善されています。
  • セキュリティの考慮事項: IoTおよびエッジデバイス向けのGoogleの堅牢なセキュリティと統合されています。
  • ハードウェアアクセラレーション: Google Coralデバイスの機能を最大限に活用するためにカスタム設計されています。

TF.js

TensorFlow.js (TF.js)は、ブラウザ上で直接機械学習機能を実現するライブラリであり、Web開発者やユーザーに新しい可能性を提供します。バックエンドインフラストラクチャを必要とせずに、Webアプリケーションへの機械学習モデルの統合を可能にします。

  • パフォーマンスベンチマーク: クライアントデバイスに応じて、ブラウザ上で直接妥当なパフォーマンスで機械学習を実行できます。
  • 互換性と統合: Webテクノロジーとの互換性が高く、Webアプリケーションへの容易な統合が可能です。
  • コミュニティサポートとエコシステム: WebおよびNode.js開発者のコミュニティからのサポートがあり、ブラウザ上でMLモデルをデプロイするためのさまざまなツールが提供されています。
  • 事例: サーバーサイドでの処理を必要とせず、クライアントサイドでの機械学習を活用するインタラクティブなWebアプリケーションに最適です。
  • メンテナンスと更新: TensorFlowチームによって保守されており、オープンソースコミュニティからも貢献が行われています。
  • セキュリティ上の考慮事項: ブラウザのセキュアなコンテキスト内で実行され、Webプラットフォームのセキュリティモデルを利用します。
  • ハードウェアアクセラレーション: WebGLのようなハードウェアアクセラレーションにアクセスできるWebベースのAPIにより、パフォーマンスを向上させることができます。

PaddlePaddle

PaddlePaddleは、Baiduが開発したオープンソースのディープラーニングフレームワークです。研究者にとっては効率的で、開発者にとっては使いやすいように設計されています。特に中国で人気があり、中国語処理に対する専門的なサポートを提供しています。

  • パフォーマンスベンチマーク: 使いやすさとスケーラビリティに重点を置きつつ、競争力のあるパフォーマンスを提供します。
  • 互換性と統合: Baiduのエコシステム内に十分に統合されており、幅広いアプリケーションをサポートしています。
  • コミュニティサポートとエコシステム: 世界的なコミュニティは比較的小さいものの、特に中国で急速に拡大しています。
  • 事例: 中国市場で一般的に使用されており、他の主要なフレームワークの代替手段を探している開発者に利用されています。
  • メンテナンスと更新: 中国語のAIアプリケーションとサービスを提供することに重点を置き、定期的に更新されています。
  • セキュリティ上の考慮事項: データプライバシーとセキュリティを重視しており、中国のデータガバナンス基準に対応しています。
  • ハードウェアアクセラレーション: Baidu独自のKunlunチップを含む、さまざまなハードウェアアクセラレーションをサポートしています。

MNN

MNNは、非常に効率的で軽量なディープラーニングフレームワークです。ディープラーニングモデルの推論とトレーニングをサポートし、オンデバイスでの推論とトレーニングにおいて業界をリードするパフォーマンスを備えています。さらに、MNNはIoTのような組み込みデバイスでも使用されています。

  • パフォーマンスベンチマーク: ARMシステム向けに最適化されており、モバイルデバイスに対して高いパフォーマンスを発揮します。
  • 互換性と統合: モバイルおよび組み込みのARMシステム、そしてX86-64 CPUアーキテクチャでうまく機能します。
  • コミュニティサポートとエコシステム: モバイルおよび組み込み機械学習コミュニティによってサポートされています。
  • 事例: モバイルシステムで効率的なパフォーマンスを必要とするアプリケーションに最適です。
  • メンテナンスと更新: モバイルデバイスで高いパフォーマンスを維持できるよう、定期的にメンテナンスされています。
  • セキュリティ上の考慮事項: データをローカルに保持することで、オンデバイスのセキュリティ上の利点を提供します。
  • ハードウェアアクセラレーション: 効率を最大化するために、ARM CPUおよびGPU向けに最適化されています。

NCNN

NCNNは、モバイルプラットフォーム向けに最適化された高性能なニューラルネットワーク推論フレームワークです。軽量で効率的である点が特徴であり、リソースが制限されているモバイルおよび組み込みデバイスに特に適しています。

  • パフォーマンスベンチマーク: モバイルプラットフォーム向けに高度に最適化されており、ARMベースのデバイス上で効率的な推論を実現します。
  • 互換性と統合: ARMアーキテクチャを採用した携帯電話や組み込みシステムのアプリケーションに適しています。
  • コミュニティサポートとエコシステム: モバイルおよび組み込みMLアプリケーションに焦点を当てた、小規模ながら活発なコミュニティによってサポートされています。
  • 事例: Androidやその他のARMベースのシステムにおいて、効率性と速度が重要視されるモバイルアプリケーションで好まれています。
  • メンテナンスと更新: さまざまなARMデバイスで高いパフォーマンスを維持するために、継続的に改善されています。
  • セキュリティ上の考慮事項: デバイス上でローカルに実行することに重点を置いており、オンデバイス処理固有のセキュリティを活用しています。
  • ハードウェアアクセラレーション: ARM CPUおよびGPU向けに調整されており、これらのアーキテクチャに対する特定の最適化が施されています。

YOLO26展開オプションの比較分析

以下の表は、YOLO26モデルで利用可能なさまざまなデプロイメントオプションの概要を示しており、いくつかの重要な基準に基づいて、どのオプションがプロジェクトのニーズに最適かを評価するのに役立ちます。各デプロイメントオプションのフォーマットに関する詳細については、エクスポートフォーマットに関するUltralyticsのドキュメントページを参照してください。

デプロイメントオプションパフォーマンスベンチマーク互換性と統合コミュニティサポートとエコシステム事例メンテナンスと更新セキュリティ上の考慮事項ハードウェアアクセラレーション
PyTorch優れた柔軟性がありますが、生のパフォーマンスとトレードオフになる可能性がありますPythonライブラリとの親和性が高い豊富なリソースとコミュニティ研究およびプロトタイプ定期的で活発な開発デプロイ環境に依存GPUアクセラレーションのためのCUDAサポート
TorchScriptPyTorchよりも本番環境に適しているPyTorchからC++への円滑な移行専門的だがPyTorchよりは狭いPythonがボトルネックとなる産業PyTorchと整合性のある更新フルPythonを使用しないことによるセキュリティの向上PyTorchからのCUDAサポートを継承
ONNXランタイムに応じて変動異なるフレームワーク間で高い広範なエコシステム、多くの組織によってサポートされているMLフレームワーク間での柔軟性新しい操作に対する定期的な更新安全な変換およびデプロイメント慣行を確保さまざまなハードウェア最適化
OpenVINOIntelハードウェア向けに最適化Intelエコシステム内で最適コンピュータビジョン分野で堅実Intelハードウェアを使用したIoTおよびエッジIntelハードウェアに対する定期的な更新機密性の高いアプリケーション向けの堅牢な機能Intelハードウェア用に調整
TensorRTNVIDIA GPUでトップクラスNVIDIAハードウェアに最適NVIDIAを通じた強力なネットワークリアルタイムのビデオおよび画像推論新しいGPUに対する頻繁な更新セキュリティへの重点NVIDIA GPU用に設計
CoreMLAppleのオンデバイスハードウェア用に最適化Appleエコシステム専用強力なAppleおよび開発者サポートApple製品でのオンデバイスML定期的なAppleの更新プライバシーとセキュリティに重点Apple Neural EngineおよびGPU
TF SavedModelサーバー環境でスケーラブルTensorFlowエコシステム内での幅広い互換性TensorFlowの普及による広範なサポート大規模なモデルサービングGoogleおよびコミュニティによる定期的な更新エンタープライズ向けの堅牢な機能さまざまなハードウェアアクセラレーション
TF GraphDef静的計算グラフに対して安定TensorFlowインフラストラクチャと適切に統合静的グラフを最適化するためのリソース静的グラフを必要とするシナリオTensorFlowコアと並行した更新確立されたTensorFlowセキュリティ慣行TensorFlowアクセラレーションオプション
TF Liteモバイル/組み込みでの速度と効率幅広いデバイスサポート堅牢なコミュニティ、Googleによるサポートフットプリントの小さいモバイルアプリケーションモバイル向けの最新機能エンドユーザーデバイス上のセキュアな環境GPUやDSPなど
TF Edge TPUGoogleのEdge TPUハードウェア向けに最適化Edge TPUデバイス専用Googleおよびサードパーティのリソースと共に成長中リアルタイム処理を必要とするIoTデバイス新しいEdge TPUハードウェア向けの改善Googleの堅牢なIoTセキュリティGoogle Coral向けにカスタム設計
TF.js妥当なブラウザ内パフォーマンスウェブ技術で高いパフォーマンスを実現WebおよびNode.js開発者サポートインタラクティブなウェブアプリケーションTensorFlowチームおよびコミュニティによる貢献ウェブプラットフォームのセキュリティモデルWebGLやその他のAPIで強化
PaddlePaddle競争力があり、使いやすく、拡張性が高いBaiduエコシステム、幅広いアプリケーションサポート急速に成長中、特に中国において中国市場および言語処理中国のAIアプリケーションに注力データプライバシーとセキュリティを重視BaiduのKunlunチップを含む
MNNモバイルデバイス向けに高性能。モバイルおよび組み込みARMシステムとX86-64 CPUモバイル/組み込みMLコミュニティモバイルシステムの効率性モバイルデバイスでの高性能維持オンデバイスセキュリティの利点ARM CPUおよびGPUの最適化
NCNNモバイルARMベースデバイス向けに最適化モバイルおよび組み込みARMシステムニッチながら活発なモバイル/組み込みMLコミュニティAndroidおよびARMシステムの効率性ARM上での高性能維持オンデバイスセキュリティの利点ARM CPUおよびGPUの最適化

この比較分析では、全体像を把握できます。デプロイにあたっては、プロジェクトの具体的な要件と制約を考慮し、各オプションの詳細ドキュメントやリソースを参照することが不可欠です。

コミュニティとサポート

YOLO26を使い始める際、役立つコミュニティやサポートの存在は大きな影響をもたらします。関心を共有する他のユーザーとつながり、必要な支援を得る方法は以下の通りです。

より広範なコミュニティに参加する

  • GitHub Discussions: GitHub上のYOLO26リポジトリには「Discussions」セクションがあり、質問、問題の報告、改善案の提案が可能です。
  • Ultralytics Discordサーバー: UltralyticsにはDiscordサーバーがあり、他のユーザーや開発者と交流できます。

公式ドキュメントとリソース

  • Ultralytics YOLO26ドキュメント: 公式ドキュメントでは、YOLO26の包括的な概要に加え、インストール、使用方法、トラブルシューティングに関するガイドを提供しています。

これらのリソースは、課題の解決や、YOLO26コミュニティにおける最新のトレンドやベストプラクティスを把握するのに役立ちます。

結論

本ガイドでは、YOLO26の様々なデプロイオプションについて説明しました。また、選択の際に考慮すべき重要な要因についても解説しました。これらのオプションにより、モデルを様々な環境やパフォーマンス要件に合わせてカスタマイズでき、実際のアプリケーションに適したものにできます。

YOLO26およびUltralyticsコミュニティが貴重なヘルプソースであることを忘れないでください。他の開発者やエキスパートとつながり、通常のドキュメントにはない独自のヒントや解決策を見つけてください。知識を求め、新しいアイデアを探求し、経験を共有し続けてください。

FAQ

異なるハードウェアプラットフォームでYOLO26を使用するために利用可能なデプロイオプションは何ですか？

Ultralytics YOLO26は様々なデプロイ形式をサポートしており、それぞれ特定の環境やハードウェアプラットフォーム向けに設計されています。主な形式は以下の通りです。

  • PyTorch: 研究やプロトタイピング向け。優れたPython統合を提供します。
  • TorchScript: Pythonが利用できない本番環境向け。
  • ONNX: クロスプラットフォームの互換性とハードウェアアクセラレーション向け。
  • OpenVINO: Intelハードウェアでのパフォーマンス最適化向け。
  • TensorRT: NVIDIA GPUでの高速推論向け。

各形式には独自の利点があります。詳細な手順については、エクスポート処理のドキュメントを参照してください。

Intel CPU上でYOLO26モデルの推論速度を向上させるにはどうすればよいですか？

Intel CPUでの推論速度を向上させるには、IntelのOpenVINOツールキットを使用してYOLO26モデルをデプロイできます。OpenVINOは、モデルを最適化してIntelハードウェアを効率的に活用することで、大幅なパフォーマンス向上を実現します。

  1. model.export()関数を使用して、YOLO26モデルをOpenVINO形式に変換してください。
  2. Intel OpenVINOエクスポートドキュメントの詳細なセットアップガイドに従ってください。

詳細については、ブログ記事をご確認ください。

モバイルデバイスにYOLO26モデルをデプロイできますか？

はい。YOLO26モデルは、AndroidおよびiOSの両プラットフォーム向けにTensorFlow Lite (TF Lite) を使用してモバイルデバイスにデプロイできます。TF Liteはモバイルおよび組み込みデバイス向けに設計されており、効率的なオンデバイス推論を提供します。

例
# Export command for TFLite format
model.export(format="tflite")

モデルのモバイルへのデプロイに関する詳細は、TF Lite統合ガイドを参照してください。

YOLO26モデルのデプロイ形式を選択する際に考慮すべき要因は何ですか？

YOLO26のデプロイ形式を選択する際は、以下の要因を考慮してください。

  • パフォーマンス: TensorRTなどの形式はNVIDIA GPUで非常に高速な速度を提供し、OpenVINOはIntelハードウェア向けに最適化されています。
  • 互換性: ONNXは、異なるプラットフォーム間での広範な互換性を提供します。
  • 統合の容易さ: CoreMLやTF Liteなどの形式は、それぞれiOSやAndroidといった特定の環境に合わせて調整されています。
  • コミュニティサポート: PyTorchやTensorFlowなどの形式は、広範なコミュニティリソースとサポートを備えています。

比較分析については、エクスポート形式のドキュメントを参照してください。

ウェブアプリケーションにYOLO26モデルをデプロイするにはどうすればよいですか？

ウェブアプリケーションにYOLO26モデルをデプロイするには、ブラウザ上で直接機械学習モデルを実行できるTensorFlow.js (TF.js) を使用できます。このアプローチにより、バックエンドインフラストラクチャが不要になり、リアルタイムのパフォーマンスが実現します。

  1. YOLO26モデルをTF.js形式にエクスポートします。
  2. エクスポートされたモデルをウェブアプリケーションに統合します。

ステップバイステップの手順については、TensorFlow.js統合ガイドを参照してください。

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher16RAraimbekovm1PDpderrenger1RIRizwanMunawar1LEleonnil1WAwangzhaode1MAMatthewNoyce1

コメント